論文の概要: Environmental Footprint of GenAI Research: Insights from the Moshi Foundation Model

• arxiv url: http://arxiv.org/abs/2604.11154v1
• Date: Mon, 13 Apr 2026 08:15:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.421868
• Title: Environmental Footprint of GenAI Research: Insights from the Moshi Foundation Model
• Title（参考訳）: GenAI研究の環境フットプリント:Moshi Foundation Modelからの考察
• Authors: Marta López-Rauhut, Loic Landrieu, Mathieu Aubry, Anne-Laure Ligozat,
• Abstract要約: 本研究では、計算集約型MLLM研究の解剖学を掘り下げ、特定のモデルコンポーネントやトレーニングフェーズに費やされたGPU時間の定量化を行う。 ライフサイクルアセスメント手法を用いて,モシの創出による環境影響の評価を行った。
• 参考スコア（独自算出の注目度）: 21.84427881226263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: New multi-modal large language models (MLLMs) are continuously being trained and deployed, following rapid development cycles. This generative AI frenzy is driving steady increases in energy consumption, greenhouse gas emissions, and a plethora of other environmental impacts linked to datacenter construction and hardware manufacturing. Mitigating the environmental consequences of GenAI remains challenging due to an overall lack of transparency by the main actors in the field. Even when the environmental impacts of specific models are mentioned, they are typically restricted to the carbon footprint of the final training run, omitting the research and development stages. In this work, we explore the impact of GenAI research through a fine-grained analysis of the compute spent to create Moshi, a 7B-parameter speech-text foundation model for real-time dialogue developed by Kyutai, a leading privately funded open science AI lab. For the first time, our study dives into the anatomy of compute-intensive MLLM research, quantifying the GPU-time invested in specific model components and training phases, as well as early experimental stages, failed training runs, debugging, and ablation studies. Additionally, we assess the environmental impacts of creating Moshi from beginning to end using a life cycle assessment methodology: we quantify energy and water consumption, greenhouse gas emissions, and mineral resource depletion associated with the production and use of datacenter hardware. Our detailed analysis allows us to provide actionable guidelines to reduce compute usage and environmental impacts of MLLM research, paving the way for more sustainable AI research.
• Abstract（参考訳）: 新しいマルチモーダルな大規模言語モデル(MLLM)は、急速な開発サイクルを経て継続的に訓練され、デプロイされている。 この生成的AIは、エネルギー消費の着実に増加、温室効果ガスの排出、そしてデータセンターの建設やハードウェア製造に関連する多くの環境影響を駆動している。 この分野の主要アクターによる透明性の全体的な欠如により、GenAIの環境影響を緩和することは依然として困難である。 特定のモデルによる環境影響が言及されているとしても、それらは通常最終トレーニングランの炭素フットプリントに制限され、研究と開発段階が省略される。 そこで本研究では,民間のオープンサイエンスAIラボである久泰が開発した,リアルタイム対話のための7Bパラメータ音声テキスト基盤モデルであるMoshiの作成に要する計算の詳細な分析を通じて,GenAI研究の影響について検討する。 計算集約型MLLM研究の解剖学を初めて調査し、特定のモデルコンポーネントやトレーニングフェーズ、初期の実験段階、トレーニング実行の失敗、デバッグ、アブレーション研究に費やされたGPU時間の定量化を行った。 さらに, ライフサイクル評価手法として, エネルギー・水消費, 温室効果ガス排出, およびデータセンターハードウェアの生産・使用に伴う鉱物資源の枯渇を定量化する。 我々の詳細な分析により、MLLM研究の計算使用量と環境への影響を減らすための実行可能なガイドラインを提供し、より持続可能なAI研究への道を開くことができる。

関連論文リスト

• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• AgroFlux: A Spatial-Temporal Benchmark for Carbon and Nitrogen Flux Prediction in Agricultural Ecosystems [32.91715282741263]
  本稿では,空間的・時間的アグロエコシステムGHGベンチマークデータセットについて紹介する。 炭素および窒素フラックス予測における逐次深層学習モデルの性能評価を行った。 我々のベンチマークデータセットと評価フレームワークは、より正確でスケーラブルなAI駆動のアグロエコシステムモデルの開発に寄与する。
  論文  参考訳（メタデータ） (2026-02-02T04:04:07Z)
• The Hidden AI Race: Tracking Environmental Costs of Innovation [2.5782420501870296]
  異なる期間にわたって異なるドメインでモデルによって放出される二酸化炭素の量について検討する。 その結果, モデルサイズとバージョニング周波数は, 高いエミッションと強く相関していることが判明した。 大学主導のプロジェクトは最も高い排出率を示し、その後に非営利団体や企業が続いた。
  論文  参考訳（メタデータ） (2025-11-27T22:14:43Z)
• Green AI: Exploring Carbon Footprints, Mitigation Strategies, and Trade Offs in Large Language Model Training [9.182429523979598]
  特に炭素フットプリントが高い大言語モデルのCO2排出量について検討した。 我々は, 二酸化炭素排出削減対策を提案することによって, 責任と持続性を有するLLMの育成を議論する。
  論文  参考訳（メタデータ） (2024-04-01T15:01:45Z)
• On the Opportunities of Green Computing: A Survey [80.21955522431168]
  人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。 高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。 コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
  論文  参考訳（メタデータ） (2023-11-01T11:16:41Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。